De l'hybride par accident à l'hybride dès la conception : maîtriser la souveraineté des données et le contrôle des coûts de l'IA
Aucune entreprise ne construit intentionnellement un paysage technologique chaotique. Cela se produit généralement de manière insidieuse, par le biais d'acquisitions, d'équipes qui achètent leurs propres outils et de migrations vers le cloud disparates, souvent partielles. Le résultat est une architecture « hybride par accident », un environnement informatique construit sur des années de choix réactifs plutôt que sur des actions intentionnelles, et pire encore, personne n’a de véritable plan pour y remédier.
Alors que l'IA d'entreprise passe de l'expérimentation à la production, l'hybride accidentel est plus qu'un inconvénient technique, c'est un handicap stratégique. Pour maintenir la souveraineté des données et éviter l'envolée des coûts de l'IA, les organisations doivent adopter une architecture hybride de par sa conception. Celles qui opèrent ce changement délibérément libéreront toute la valeur de leurs actifs de données. Celles qui ne le font pas verront leur dette architecturale se cumuler au fil des années et à chaque nouvelle initiative d'IA.
C’était le sujet abordé lors de ma récente conversation avec l’intervenant invité Noel Yuhanna, vice-président et analyste principal chez Forrester, dans le cadre du webinaire de Cloudera « Welcome to the Era of Hybrid by Design ».
Dans ce blog, je poursuis cette conversation et j'explique comment les organisations peuvent créer une architecture hybride par conception en tirant parti d'une gouvernance unifiée, de normes ouvertes et d'une cartographie claire des exigences du cycle de vie de l'IA.
Comment les entreprises en arrivent là
Au-delà des activités de fusions-acquisitions, de l'adoption d'outils en silos et du verrouillage des fournisseurs privilégiés par les secteurs d'activité, la ruée rapide vers le cloud de ces dernières décennies est l'un des principaux responsables. De nombreuses organisations ont migré rapidement et largement, et le mouvement s'inverse désormais. Le rapatriement est un sujet de discussion bien réel et en pleine expansion.
Les chiffres racontent l'histoire : les plans signalés par les DSI pour rapatrier les charges de travail sur site sont passés de 43 % en 2020 à 83 % en 2024. Il ne s'agit pas d'un rejet du Cloud ; c'est la reconnaissance, avec la maturité, que toutes les charges de travail n'y ont pas leur place. En fait, comme le souligne Yuhanna, environ 80 % du traitement transactionnel dans les secteurs de la banque et de la santé s'effectue encore sur site aujourd'hui. L'idée reçue initiale selon laquelle « le cloud est bon marché » a cédé la place à des questions épineuses concernant l'optimisation de l'architecture, le sur-provisionnement et les coûts de sortie de données, qui sapent la proposition de valeur.
La pression réglementaire sous-jacente
La conformité impose désormais une action immédiate face à ce qui était auparavant un problème informatique à évolution lente. Des réglementations comme le RGPD, la loi européenne sur les données et HIPAA exigent une souveraineté des données stricte. Pendant ce temps, le CLOUD Act américain, qui permet aux autorités américaines d'accéder aux données à l'échelle mondiale, entre en conflit avec les règles de confidentialité de l'UE et de l'APAC, poussant activement les entreprises vers des fournisseurs de cloud souverains non américains. Dans le secteur financier, la réglementation DORA impose des stratégies de sortie des fournisseurs, car une dépendance excessive à un cloud unique constitue désormais un risque systémique.
Avec les nouvelles réglementations sur l'IA exigeant une traçabilité stricte, cette pression ne fera qu'augmenter en 2026 et au-delà. La gouvernance des données et de l'IA fusionnent en un obstacle majeur en matière de conformité ; les entreprises ne disposant pas de la bonne architecture font face à une mise à niveau douloureuse et coûteuse.
Pourquoi l'IA rend cette question urgente aujourd'hui
L’IA d’entreprise transforme un problème d’infrastructure chronique en un problème aigu. Le cycle de vie de l’IA a des besoins très différents à chaque étape : l’entraînement et la contextualisation exigent un calcul massif et ponctuel, ce qui peut le rendre plus adapté au Cloud, tandis que l’inférence en régime permanent est souvent plus économique sur site. « Hybride intentionnel » signifie faire correspondre chaque étape à l’infrastructure qui lui convient réellement, plutôt que de se limiter par défaut à un environnement unique et d’en subir les pénalités.
La gravité des données complique encore davantage la situation. L'IA nécessite des volumes massifs de données distribuées, et leur transfert entre différents environnements entraîne une latence réelle ainsi que des coûts de sortie de données. Vous êtes acculé : soit vous limitez les modèles à un ensemble de données restreint (au détriment de la qualité), soit vous absorbez des frais massifs pour centraliser les données (ce qui détruit la viabilité économique du projet).
L'IA agentique accentue considérablement ce défi. Comme ces systèmes ont besoin de données fiables en temps réel pour agir, les pipelines accusant un décalage par lots ne survivront tout simplement pas. Comme le souligne Yuhanna, l'adoption de l'IA agentique se situe actuellement autour de 24 % et devrait doubler d'ici fin 2026. Les organisations qui mettent en place aujourd'hui une architecture proactive pour cette réalité en capteront la valeur demain.
L'argument en faveur des standards ouverts
La dépendance à un fournisseur n’est pas seulement un risque théorique ; c’est un coût actif tant au niveau de l’infrastructure que des logiciels. Lorsque vos outils de données propriétaires ne fonctionnent que sur un Cloud spécifique, vous êtes confronté à un « double verrouillage » cumulatif. Ceci donne tout le pouvoir au fournisseur, créant un goulot d’étranglement sévère dès qu’une charge de travail doit être déplacée, que vous transfériez un projet pilote Cloud terminé vers une capacité inutilisée de centre de données, ou que vous migriez vers un nouveau Cloud souverain pour vous conformer aux exigences réglementaires. Les organisations récupèrent ce pouvoir grâce à la portabilité des charges de travail et aux standards ouverts.
Deux normes déterminantes rendent cela possible :
Kubernetes agit comme une couche d'abstraction universelle pour votre infrastructure sous-jacente. En fournissant un modèle opérationnel natif du cloud cohérent, quel que soit le matériel ou le fournisseur de cloud sous-jacent, il élimine la « taxe de changement de plateforme » — la surcharge de réingénierie qui s'accumule chaque fois qu'une charge de travail franchit une frontière d'infrastructure.
Apache Iceberg effectue un travail équivalent au niveau de la couche de données. Il ne s'agit pas seulement d'abstraire l'emplacement de vos données ; il s'agit d'élargir le cercle des personnes pouvant y accéder. Le format de table ouverte et le catalogue REST Iceberg permettent aux organisations de partager des données sur place avec n'importe quel système tiers. Cela signifie que vous pouvez laisser vos données gouvernées exactement là où elles se trouvent, tout en permettant à des plateformes d'analyse externes de les interroger directement. En découplant complètement les données des moteurs de calcul spécifiques aux fournisseurs, les organisations gagnent une flexibilité réelle et pérenne sur la manière et l'endroit où elles exécutent l'IA.
Réfléchissez à ce que l’échelle représente réellement en pratique. Yuhanna a récemment rencontré un client connectant 50 000 bases de données à travers 1 000 systèmes sources disparates. À cette échelle, la complexité ne croît pas de manière linéaire, elle se multiplie. Les normes ouvertes ne sont pas un luxe ; c’est ainsi que les entreprises gardent le contrôle de leurs propres environnements.
Le fossé de la gouvernance et ce qu'il coûte
Une infrastructure fragmentée produit de manière fiable une gouvernance fragmentée. Comme le souligne Yuhanna, environ 70 % des données d'entreprise manquent de métadonnées et de catalogage appropriés ; cela signifie que seulement 25 % sont réellement utilisées pour l'analyse et que la plupart des données d'entreprise restent totalement inexploitées ! En 2006, le mathématicien britannique et pionnier de la Data science, Clive Humby, a déclaré : « les données, c'est le nouveau pétrole », notant que les données brutes doivent être raffinées par l'IA et l'analyse pour générer une réelle valeur. Si chaque donnée contient une information potentielle, pourquoi toléreriez-vous une architecture qui vous empêche activement de toutes les utiliser ?
Les implications en matière de sécurité sont tout aussi concrètes. Selon le rapport 2025 d'IBM sur les violations de données, les violations dans des environnements multiples coûtent en moyenne plus de 5 millions de dollars (bien au-dessus de la moyenne mondiale de 4,44 millions de dollars) et représentent désormais environ 30 % de tous les incidents. La raison est simple : les violations se produisent au niveau des points d'intégration, et chaque limite d'environnement constitue un point d'intégration.
La réponse réside dans une couche de politique unifiée : un plan de contrôle unique et fédéré couvrant la classification, le contrôle d'accès, la traçabilité, l'audit et la conformité. Dans ce modèle, les politiques suivent les données, s'appliquant de manière cohérente et en temps réel sur l'ensemble de l'écosystème.
Par où commencer
Sous l'impulsion des exigences réelles de l'IA en production, du renforcement des exigences en matière de souveraineté des données et d'une attention accrue portée aux coûts réels de l'infrastructure, les organisations doivent passer d'architectures hybrides par accident à des architectures hybrides de par leur conception. Voici comment démarrer :
Établissez une clarté d’objectif. Avant de toucher à toute technologie, élaborez une feuille de route de 18 mois ancrée dans des résultats opérationnels concrets, qu’il s’agisse de croissance du chiffre d’affaires, d’optimisation des coûts ou d’objectifs de résilience.
Réalisez un audit de la gravité des données. Cartographiez l'emplacement réel des données, les personnes qui y accèdent, ainsi que votre exposition en termes de latence et de sortie de données. Cela permet de faire ressortir de manière fiable les charges de travail oubliées, les données en double et les angles morts en matière de conformité.
Exécutez une rationalisation délibérée. Rationalisez les outils redondants, consolidez les relations avec les fournisseurs, standardisez la gouvernance et développez la portabilité des charges de travail.
Pour en savoir plus, rejouez ma conversation avec Noel Yuhanna et approfondissez le sujet avec le rapport sur les tendances du secteur « Du chaos à la maîtrise : pourquoi le modèle « hybride conceptuel » est l'avenir de la stratégie des données d'entreprise ».